Análisis Exploratorio de Datos. La Maratón de Tokyo 2025.

Resumen

MODIFICAR.

Palabras clave

maratón, análisis de datos, Tokyo

1 Importación de librerías.

# Importación de todas las librerías usadas durante el informe y breve descripcion
library(readr) # Libreria para poder importar los datos desde un csv.
library(ggplot2) # Libreria para poder hacer gráficos.
library(DT) # Libreria para poder visualizar dataframes en qmd de manera interactiva.
library(hms) # Libreria para poder tratar datos referentes a horas, minutos y segundos.
library(dplyr) # Libreria para poder manipular dataframes.

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

library(ggplot2) # Libreria para poder hacer gráficos.
library(tidyr) # Libreria para poder transformar dataframes.
library(e1071) # para skewness() y kurtosis()

Attaching package: 'e1071'

The following object is masked from 'package:ggplot2':

    element

2 Introducción

El maratón de Tokyo 2025 se celebró, en su 18ª edición, el domingo 2 de marzo de 2025. Esta edición forma parte de los World Marathon Majors y abrió la temporada 2025 de los grandes maratones internacionales. El recorrido atraviesa distintos puntos icónicos de la ciudad de Tokyo, estando su inicio frente al edificio del Gobierno Metropolitano y la línea de meta cerca de la estación Tokyo/Gyoko-dori Avenue. El maratón de Tokyo es un evento de gran participación, tanto de atletas de élite como de aficionados.

En el presente documento se realizará un análisis exploratorio de datos (EDA) con el objetivo de extraer información relevante acerca de los resultados de los corredores que participaron en dicha prueba.

3 Presentación y Descripción del Dataset

Los resultados del maratón de Tokyo han sido extraídos a través del siguiente enlace. La extracción se ha realizado a través de técnicas de Web Scrapping con el objetivo de poder obtener datos relevantes referentes a los resultados de los corredores participantes.

3.1 Importación del Dataset

A continuación, se realiza la correspondiente importación de los datos extraídos:

resultadosTokyo2025 <- read_csv(
  "data/Maraton_Tokyo/marathon_tokyo_results_2025.csv",
  col_types = cols(
    BIB = col_integer(),
    Nombre = col_character(),
    Nacionalidad = col_character(),
    Genero = col_character(),
    Edad = col_integer(),
    tiempo_oficial = col_time(format = "%H:%M:%S"),
    parcial_5km = col_time(format = "%H:%M:%S"),
    parcial_10km = col_time(format = "%H:%M:%S"),
    parcial_15km = col_time(format = "%H:%M:%S"),
    parcial_20km = col_time(format = "%H:%M:%S"),
    medio_maraton = col_time(format = "%H:%M:%S"),
    parcial_25km = col_time(format = "%H:%M:%S"),
    parcial_30km = col_time(format = "%H:%M:%S"),
    parcial_35km = col_time(format = "%H:%M:%S"),
    parcial_40km = col_time(format = "%H:%M:%S")
  ),
  quote = "\""
)

# Transformacion a formato dataframe.
resultadosTokyo2025 <- as.data.frame(resultadosTokyo2025)

3.2 Descripción del Dataset

El dataframe importado, resultadosTokyo2025, consta de las siguientes variables:

Variable	Tipo	Descripción	Unidades
BIB	Numérica/Entero	Número de dorsal asignado al corredor, valor único	Número entero
Nombre	Cadena de texto	Nombre y apellidos del corredor	Texto
Nacionalidad	Cadena de texto	País de procedencia del corredor	Texto
Genero	Categórica	Género del corredor	Texto
Edad	Numérica/Entero	Edad del corredor	Años
tiempo_oficial	Tiempo	Tiempo total oficial de la maratón (gross time)	hh:mm:ss
parcial_5km	Tiempo	Tiempo de paso en el km 5	hh:mm:ss
parcial_10km	Tiempo	Tiempo de paso en el km 10	hh:mm:ss
parcial_15km	Tiempo	Tiempo de paso en el km 15	hh:mm:ss
parcial_20km	Tiempo	Tiempo de paso en el km 20	hh:mm:ss
medio_Maraton	Tiempo	Tiempo al paso del medio maratón (21,097 km)	hh:mm:ss
parcial_25km	Tiempo	Tiempo de paso en el km 25	hh:mm:ss
parcial_30km	Tiempo	Tiempo de paso en el km 30	hh:mm:ss
parcial_35km	Tiempo	Tiempo de paso en el km 35	hh:mm:ss
parcial_40km	Tiempo	Tiempo de paso en el km 40	hh:mm:ss

Nota: El gross time es el tiempo que tarda un corredor en terminar la maratón desde que se da el pistoletazo de salida, no desde que cruza la línea de inicio de la prueba

3.3 Lectura de una fila

Una vez que conocemos el significado de cada variable por separado, se va a proceder a la lectura de la primera fila del dataframe con el objetivo de mejorar la comprensión sobre el formato de los datos:

# Lo visualizamos con la libreria DT porque es más interactiva a la hora de generar el documento qmd.
datatable(
  resultadosTokyo2025,
  options = list(
    pageLength = 1, # cuántas filas mostrar
    scrollX = TRUE, # habilita scroll horizontal si la fila es muy ancha
    dom = 't' # solo muestra la tabla sin paginación ni búsqueda
  ),
  rownames = FALSE # quitar número de fila en la tabla
)

Warning in instance$preRenderHook(instance): It seems your data is too big for
client-side DataTables. You may consider server-side processing:
https://rstudio.github.io/DT/server.html

Se puede observar al corredor Tadese Takele, de nacionalidad Etíope, que corrió la maratón con el dorsal número 5. Tadese completó la maratón a sus 22 años con un tiempo de 2 horas, 3 minutos y 23 segundos, pudiendose observar sus tiempos de paso cada 5 kilómetros y en el punto de la media maratón.

3.4 Dimensiones del dataset

filas <- nrow(resultadosTokyo2025)
columnas <- ncol(resultadosTokyo2025)
cat(
  "El dataframe resultadosTokyo2025 contiene",
  filas,
  "filas y",
  columnas,
  "columnas."
)

El dataframe resultadosTokyo2025 contiene 36173 filas y 15 columnas.

# Elimino el número de filas y columnas con el objetivo de no sobrecargar el enviroment.
rm(filas, columnas)

3.5 Análisis Univariante

DF TEMPORAL PARA EMPEZAR SECCION

df_seconds <- resultadosTokyo2025 %>%
  mutate(
    across(
      matches("^tiempo_oficial$|^parcial_\\d+km$|^medio_maraton$"),
      ~ as.numeric(.x)
    )
  )

# Vista previa
glimpse(df_seconds)

Rows: 36,173
Columns: 15
$ BIB            <int> 5, 3, 4, 12, 13, 16, 1, 15, 2, 110, 8, 105, 112, 22, 11…
$ Nombre         <chr> "ﾀﾃﾞｾ ﾀｹﾚ / TADESE TAKELE", "ﾃﾞﾚｻ ｹﾞﾚﾀ / DERESA GELETA", "…
$ Nacionalidad   <chr> "ETHIOPIA", "ETHIOPIA", "KENYA", "KENYA", "ETHIOPIA", "…
$ Genero         <chr> "男性／Men", "男性／Men", "男性／Men", "男性／Men", "男性／Men", "男性／M…
$ Edad           <int> 22, 29, 26, 26, 26, 25, 33, 26, 28, 28, 30, 32, 27, 26,…
$ tiempo_oficial <dbl> 7403, 7431, 7440, 7534, 7546, 7546, 7546, 7557, 7559, 7…
$ parcial_5km    <dbl> 865, 865, 865, 865, 880, 888, 865, 889, 881, 890, 865, …
$ parcial_10km   <dbl> 1736, 1735, 1736, 1736, 1763, 1780, 1735, 1782, 1763, 1…
$ parcial_15km   <dbl> 2610, 2610, 2610, 2611, 2650, 2671, 2610, 2672, 2651, 2…
$ parcial_20km   <dbl> 3487, 3487, 3487, 3488, 3535, 3568, 3487, 3570, 3537, 3…
$ medio_maraton  <dbl> 3678, 3678, 3682, 3679, 3728, 3763, 3678, 3764, 3729, 3…
$ parcial_25km   <dbl> 4364, 4364, 4363, 4365, 4416, 4456, 4364, 4458, 4417, 4…
$ parcial_30km   <dbl> 5242, 5243, 5242, 5255, 5316, 5352, 5254, 5353, 5316, 5…
$ parcial_35km   <dbl> 6133, 6133, 6133, 6193, 6225, 6264, 6193, 6264, 6225, 6…
$ parcial_40km   <dbl> 7019, 7030, 7036, 7127, 7145, 7166, 7146, 7166, 7149, 7…

Bajo este análisis se examinará cada variable del conjunto de datos para resumir su distribución, principales características y tendencias. Este tipo de análisis se centra en una sola variable a la vez, sin tener en cuenta su relación con otras, y permite obtener una primera descripción general de los datos. A continuación se revisa cada variable del dataset para observar sus principales características estadísticas.

3.5.1 Edad

Esta variable indica la edad de los corredores que participaron en la maratón. Primero se examinán los principales estadísticos de centralización: media, moda y mediana

# Fun. moda que devuelve el valor más frecuente (si hay empates devuelve el primero)
moda <- function(x) {
  x <- x[!is.na(x)]
  if (length(x) == 0) return(NA_real_)
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

# Estadísticos resumidos (redondeados)
edad_stats <- df_seconds %>%
  summarise(
    n = sum(!is.na(Edad)),
    n_missing = sum(is.na(Edad)),
    media = round(mean(Edad, na.rm = TRUE), 2),
    mediana = median(Edad, na.rm = TRUE),
    moda = moda(Edad),
  )

datatable(
  edad_stats,
  options = list(dom = 't'),
  rownames = FALSE
)

Representado de forma gráfica, en la siguiente figura se observa un histograma con línea de densidad y los correspondientes valores de media, mediana y moda.

# Valores para líneas en los gráficos
mu <- edad_stats$media
med <- edad_stats$mediana
mod <- edad_stats$moda

p_hist <- ggplot(df_seconds, aes(x = Edad)) +
  geom_histogram(aes(y = ..density..), bins = 30, fill = "#90CAF9", color = "gray30") +
  geom_density(fill = "#1976D2", alpha = 0.15) +
  geom_vline(xintercept = mu, color = "#D32F2F", size = 1, linetype = "solid") +
  geom_vline(xintercept = med, color = "#F9A825", size = 1, linetype = "dashed") +
  geom_vline(xintercept = mod, color = "#2E7D32", size = 1, linetype = "dotdash") +
  annotate("text", x = mu, y = Inf, label = paste0("Media: ", mu), vjust = 2.2, color = "#D32F2F", size = 3.5) +
  annotate("text", x = med, y = Inf, label = paste0("Mediana: ", med), vjust = 3.8, color = "#F9A825", size = 3.5) +
  annotate("text", x = mod, y = Inf, label = paste0("Moda: ", mod), vjust = 5.4, color = "#2E7D32", size = 3.5) +
  labs(title = "Distribución de Edad (histograma + densidad)",
       x = "Edad (años)", y = "Densidad") +
  theme_minimal(base_size = 12)

Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.

p_hist

Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
ℹ Please use `after_stat(density)` instead.

3.5.2 Género

3.5.3 Nacionalidad

3.5.4 Tiempo Oficial

3.5.5 Tiempos Parciales

3.6 Análisis Bivariante y Multivariante

3.7 Identificación de Patrones y Formulación de Preguntas

3.8 Conclusiones